클라우드 가상 머신(VM)은 종종 과다 할당(overprovisioned)되어 피할 수 있는 비용 및 운영 비효율성을 초래합니다. 본 논문에서는 워크로드 드리프트(workload drift) 상황에서 클라우드 인스턴스 크기 산정(sizing)을 위한 엔지니어 대상 대화형 권고 시스템인 CLOUDADV를 제시합니다. 이 시스템은 제로샷 시계열 예측(zero-shot time-series forecasting)과 일(day), 주(week), 월(month) 단위의 계획 기간에 걸친 제한된 권고 생성(bounded recommendation generation)을 결합합니다. 각 쿼리에 대해, CLOUDADV는 과거 사용량, 예측 요약, 현재 VM 메타데이터, 후보 인스턴스 옵션, 가격 책정 및 명시적인 크기 산정 휴리스틱(sizing heuristics)으로부터 구조화된 의사결정 컨텍스트를 구축합니다. 오프라인에서는 더 높은 용량의 LLM을 사용하여 참조 권고(reference recommendations)를 생성하며, 배포 시의 지연 시간(latency) 및 비용 제약 조건 하에서의 정렬(alignment)을 평가하기 위해 동일한 프롬프트에 대해 더 작은 프로덕션 모델을 평가합니다. 평가는 시뮬레이션된 Azure 비용 절감 및 사후 초과(ex-post exceedance)를 사용하여 다운스트림 권고 품질을 우선시하며, 롤링 오리진(rolling-origin) 예측 정확도는 고전적 및 지도 학습(supervised) 베이스라인에 대한 보조 진단 지표로 보고됩니다. 7개의 프로덕션 VM에 대한 사례 연구에서, 참조 권고는 시뮬레이션된 월간 비용을 약 $1,503에서 $708로 줄여, 보수적인 휴리스틱 제약 조건 하에서 월 $795(52.9%)의 절감 효과를 가져왔으며, 다운그레이드된 사례 중 관찰된 가장 높은 초과율은 1.5%였습니다. Chronos-2가 모든 예측 지표를 최소화하지는 않지만, 지도 학습 기반의 개별 VM 베이스라인과 유사한 권고 패턴을 자주 유도합니다. 이러한 결과는 제로샷 파운데이션 모델(zero-shot foundation models)이 비정상성(non-stationary) 클라우드 환경에서 의사결정 정렬형 프로비저닝(decision-aligned provisioning)을 지원할 수 있는 동시에, 반복적인 테넌트별 재학습, 재검증 및 재배포에 따른 운영 부담을 줄여줄 수 있음을 시사합니다.